通过深度卷积神经网络从四维CT推导通气成像
医学物理
2019-06-19 v1 图像与视频处理
摘要
目的：功能成像正成为肺癌治疗计划与评估的重要工具。与使用造影剂形成2D或3D功能图像的核医学通气-灌注（VQ）、正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）或磁共振成像（MRI）等传统方法相比，从4DCT肺图像获得的通气成像因其可在放射治疗计划期间获取而方便且具成本效益。当前从4DCT肺图像获得通气图像的方法涉及可变形图像配准（DIR）与基于密度（HU）变化的算法（DIR/HU）；因此所得通气图像对DIR算法的选择敏感。方法：我们提出一种基于深度卷积神经网络（CNN）的方法，直接从4DCT推导通气图像而无需显式DIR，从而提高通气图像的一致性与准确性。共使用82组来自肺癌患者的4DCT与通气图像以该方法进行研究。结果：预测图像与测试数据的标签图像相当。十折交叉验证上平均的相似指数与相关系数分别为0.883±0.034与0.878±0.028。结论：结果表明深度CNN可在无显式可变形图像配准的情况下从4DCT生成通气成像，降低相关不确定性。
引用
@article{arxiv.1808.06982,
title = {Deriving ventilation imaging from 4DCT by deep convolutional neural network},
author = {Yuncheng Zhong and Yevgeniy Vinogradskiy and Liyuan Chen and Nick Myziuk and Richard Castillo and Edward Castillo and Thomas Guerrero and Steve Jiang and Jing Wang},
journal= {arXiv preprint arXiv:1808.06982},
year = {2019}
}